Regresija Laso
Regresija Laso, koju je Robert Tibshirani uveo 1996. godine, jeste metoda linearne regresije koja dodaje L1 penalizaciju na funkciju gubitka, kako bi smanjila koeficijente i istovremeno izvršila selekciju promenljivih, proizvodeći na taj način spazi model. Vođenjem nekih koeficijenata tačno do nule, zadržava samo one prediktore koji su bitni.
Pročitajte celu metodu
Prijavite se besplatnim nalogom da biste pročitali ovaj odeljak.
Method map
The neighbourhood of related methods — select a node to explore.
+15 more
Izvori
- Tibshirani, R. (1996). Regression Shrinkage and Selection via the Lasso. Journal of the Royal Statistical Society: Series B, 58(1), 267–288. DOI: 10.1111/j.2517-6161.1996.tb02080.x ↗
Kako citirati ovu stranicu
ScholarGate. (2026, June 1). Least Absolute Shrinkage and Selection Operator (LASSO). ScholarGate. https://scholargate.app/sr/machine-learning/lasso-regression
Which method?
Set this method beside its closest kin and read them side by side — the library lays the books on the table; the choice is yours.
- Elastična mrežaMašinsko učenje↔ compare
- Logistička regresijaIstraživačka statistika↔ compare
- Analiza glavnih komponentiMašinsko učenje↔ compare
- Rigidna regresijaMašinsko učenje↔ compare
Citirana u
Uočili ste grešku na ovoj stranici? Prijavite je ili predložite ispravku →